IDENTIFICAZIONE DI VARIAZIONI DEL CICLO DI VITA DEL...
Transcript of IDENTIFICAZIONE DI VARIAZIONI DEL CICLO DI VITA DEL...
-
Università degli studi di Padova Dipartimento di Scienze Statistiche
Corso di Laurea Triennale in Statistica e Gestione delle Imprese
RELAZIONE FINALE
IDENTIFICAZIONE DI VARIAZIONI DEL CICLO DI VITA DEL PRODOTTO DOVUTE A
SCELTE AZIENDALI E POSIZIONAMENTO NEL MERCATO
Relatore Dott.ssa Mariangela Guidolin
Dipartimento di Scienze Statistiche
Laureanda: Elena Foroni
Matricola N. 1074214
Anno Accademico 2015/2016
https://it.wikipedia.org/wiki/File:Logo_Universit%C3%A0_Padova.png
-
3
Indice
Introduzione
1. Presentazione Azienda
1.1. Storia
1.2. Attuale posizionamento nel mercato, Mission e Punti di forza
1.3 Prodotti analizzati
2. Modelli di diffusione per ciclo di vita del prodotto
2.1 Ciclo di vita del prodotto
2.2 Modello di Bass Standard o BM (1969)
2.3 Modello di Bass Generalizzato o GBM (1994)
2.4 Identificazione statistica dei modelli non lineari
2.5 Adattamento del modello ai dati e confronto fra modelli annidati
2.6 Analisi dei residui e statistica di Durbin-Watson
2.7 Affinamento ARMAx
3. Analisi delle variazioni del ciclo di vita attraverso l’applicazione dei modelli ai
dati
3.1 Shock intervenuti a causa di decisioni interne all’azienda
3.2 Shock intervenuti a causa di fattori esogeni: la concorrenza
4. Conclusioni
Bibliografia
-
5
Introduzione
L’elaborato nasce dall’esperienza di stage della durata di dieci settimane presso
l’ufficio commerciale di un’azienda leader nel settore arredamento bagno con sede a
Bagnolo San Vito nella Provincia di Mantova.
L’azienda opera all’interno del mercato nazionale ed internazionale e propone
numerose linee di prodotti che vanno ad occupare l’intero panorama del settore in cui
essa si posiziona: docce, lavabi, rubinetti, sanitari, vasche, specchi, lampade, mobili ed
accessori.
Prendendo in considerazione nella fattispecie due prodotti di linee distinte, la vasca
Vieques e la vasca Normal, obiettivo della relazione è quello di studiare l’andamento
delle vendite quando, durante la commercializzazione, intervengono fattori endogeni
come il lancio da parte dell’azienda di un prodotto complementare o fattori esogeni
come l’introduzione nel mercato da parte di un concorrente di una linea che occupa
una fascia qualità-prezzo inferiore a quella del prodotto oggetto di analisi.
Nonostante non siano l’unica scelta possibile, gli strumenti utilizzati ai fini analitici sono
i modelli di diffusione, in quanto si assume che i prodotti presi in esame siano
caratterizzati da un ciclo di vita limitato.
La relazione è strutturata in quattro capitoli.
Il primo capitolo è dedicato alla presentazione dell’azienda: la storia, l’attuale
posizione sul mercato, la strategia e gli aspetti caratterizzanti. Nell’ultimo sotto
paragrafo vengono descritti i prodotti oggetto di analisi e le motivazioni per le quali
sono stati selezionati.
Nel secondo capitolo vengono presentati la teoria del ciclo di vita del prodotto e i
modelli di diffusione utilizzati ai fini dell’analisi previsiva: Modello di Bass Standard
(BM) e Modello di Bass Generalizzato (GBM). Vengono inoltre forniti alcuni
-
6
approfondimenti relativamente ad aspetti di stima, identificazione statistica ed analisi
dei residui.
L’applicazione di tali modelli ai dati di vendita avviene invece nel terzo capitolo, dove
il sopracitato obiettivo della tesi viene approfonditamente esaminato ed affrontato.
Infine, con il quarto capitolo, si concluderà l’elaborato con alcune considerazioni
relative ai risultati ottenuti e più in generale, alle politiche aziendali adottate e al
mercato di riferimento.
-
7
Capitolo 1
Presentazione Azienda
1.1 Storia
L’azienda è di tipo familiare, fu fondata a Verona nei primi anni Settanta e spostata in
seguito nella Provincia di Mantova. Ora ha sede legale a Correggio Micheli di Bagnolo
San Vito e sede operativa a Governolo di Roncoferraro, nella medesima Provincia.
All’inizio la catena di distribuzione era locale, rappresentata per lo più dai parenti della
famiglia fondatrice, che erano distributori del settore termoidraulico nell’area veneta.
L’azienda cominciò in breve tempo a varcare i confini nazionali, acquisendo clienti in
Spagna e Germania fino ad arrivare, alla fine degli anni Settanta, alla produzione di
mobili modulari per l’arredo bagno estremamente innovativi per l’epoca, con i quali si
poteva costruire una stanza da bagno su misura per il cliente.
Se, in un certo senso, la produzione di questi mobili apparve molto moderna per i
tempi, certamente risultava essere molto complessa per l’azienda, che vide insorgere
diversi problemi legati all’utilizzo di tecnologie inusuali.
Fin dall’inizio quindi l’innovazione ha rappresentato una delle caratteristiche
dominanti dell’attività.
La produzione di mobili da bagno modulari fu la prima vera affermazione sul mercato
dell’azienda, ma ciò che rappresentò la svolta per il marchio fu piuttosto il lancio di
lavabi alternativi per forma e funzione, che permise ben presto alla famiglia di
posizionarsi in una nicchia di mercato di fascia molto alta.
-
8
1.2 Attuale Posizionamento nel Mercato, Mission e Punti di Forza
Con i suoi 51 dipendenti e un fatturato superiore a 12 milioni di euro, l’azienda è
classificata come PMI (piccole-medie imprese), collocazione tipica della maggior parte
delle aziende italiane operanti nel settore del design.
Il fatturato è generato per il 20% sul mercato italiano e per l’80% sul mercato
internazionale in più di 60 paesi: i clienti più importanti sono in Europa, Stati Uniti,
Russia, Australia, Giappone ed Estremo Oriente.
La produzione è affidata a piccole aziende, anche a livello artigianale, in quanto la
collaborazione diretta tra progettisti e produttori è garanzia di qualità e permette l’uso
innovativo di materiali.
La gamma di prodotti è estremamente varia e personalizzabile e permette quindi al
cliente la possibilità di ottenere progetti unici e non convenzionali.
L’obiettivo di fondo dell’azienda è di proporre una soluzione in grado di risolvere ogni
necessità progettuale legata alla stanza da bagno e i suoi punti di forza sono la
flessibilità delle proposte, la qualità dei prodotti, l’innovazione e la continua ricerca di
materiali evoluti.
-
9
1.3 Prodotti Analizzati
L’analisi svolta prende in considerazione le serie storiche dei dati di vendita di due
prodotti appartenenti a linee distinte: la vasca Vieques e la vasca Normal.
La vasca Vieques è stata pensata e progettata per un hotel di lusso nell’omonima
località sulla costa di Puerto Rico da una designer di origine spagnola e residente a
Milano, che collabora da molto tempo con l’azienda. Essa è stata presentata per la
prima volta in occasione del Cersaie 20081 a Bologna e rappresenta una rivisitazione in
chiave contemporanea delle antiche vasche da bagno.
La designer stessa descrive la sua idea come segue: “Vieques è un’isola molto bella,
selvaggia e protetta, dove il contatto con la natura è onnipresente, quasi intimo.
Questa contaminazione si trasferisce nel progetto della vasca.”
Proprio per la sua unicità, la vasca Vieques simboleggia un’icona dell’azienda e la scelta
di analizzare i dati relativi ad essa trova ragione nell’andamento delle sue vendite, che
ha subito variazioni nel corso degli anni. Nel 2011 è stato infatti introdotto sul mercato
il lavabo della stessa linea, il quale corrisponde ad un prodotto complementare e
fornisce la possibilità di creare una combinazione, mentre nel 2013 è stata progettata
la vasca Vieques XS di dimensioni ridotte rispetto all’originale.
1 Salone Internazionale della Ceramica Made in Italy
Figura 1: Vasca Vieques
-
10
La vasca Normal, come la precedente, è entrata a far parte della gamma prodotti nel
2008 ed è stata disegnata dal fratello dell’attuale titolare, il quale è ora a capo di uno
studio di design che collabora a stretto contatto con il team aziendale.
La vasca ha una forma avvolgente e accogliente, con dimensioni compatte ed un profilo
particolarmente arrotondato alla base, e si distingue per essere facilmente
ambientabile in qualsiasi spazio, dai contesti più tradizionali a quelli più originali.
Le motivazioni che hanno portato allo studio e all’analisi del comportamento della
serie dei dati di vendita della vasca sono riconducibili alla sua linea classica e quindi
imitabile dai concorrenti, fattore che può essere causa di grandi variazioni nel ciclo di
vita della stessa.
Si evidenzia come le ragioni fornite per giustificare l’analisi svolta, sia per la vasca
Vieques che per la vasca Normal, rappresentino due fonti diverse del cambiamento a
livello di ciclo di vita del prodotto: nel primo caso si è davanti a una scelta strategica
aziendale, mentre nel secondo caso si tratta di un aspetto legato al mercato in cui
opera l’azienda.
Figura 2: Vasca Normal
-
11
Capitolo 2
Modelli di Diffusione per Ciclo di Vita del Prodotto
2.1 Ciclo di Vita del Prodotto
Il ciclo di vita del prodotto è un concetto che viene elaborato negli anni sessanta da
Vernon (1966). In analogia con la vita degli organismi biologici, la teoria intende
riconoscere fasi distinte nella storia delle vendite e dei profitti del prodotto in funzione
del tempo, dall’introduzione al declino. Le fasi riflettono il comportamento aggregato
dei consumatori relativamente all’acquisto e al successivo abbandono di un prodotto.
Il ciclo di vita viene rappresentato da un modello ideale caratterizzato da una curva a
campana, dunque dapprima crescente con il raggiungimento di un picco massimo, poi
decrescente (Figura 3).
Tale teoria ipotizza l’esistenza di quattro fasi:
1. Introduzione: lancio del prodotto sul mercato, le vendite crescono rapidamente
e i profitti risultano negativi. Lo sforzo promozionale è finalizzato ad informare
ed incoraggiare la prova del prodotto.
Figura 3: Ciclo di vita del prodotto
-
12
2. Crescita: il prodotto si diffonde sul mercato. Lo sforzo promozionale incoraggia
la ripetizione dell’adozione.
3. Maturità: rallentamento della crescita delle vendite e raggiungimento del punto
massimo della curva, in relazione alla progressiva saturazione del mercato
potenziale. Lo sforzo promozionale è rivolto a stimolare la fedeltà al marchio.
4. Declino: le vendite e i profitti diminuiscono, le imprese tendono a eliminare il
prodotto dalla gamma.
Nello specifico, si rileva che il ciclo di vita del prodotto dipende da due aspetti:
le strategie di marketing;
il comportamento dei consumatori.
Le maggiori applicazioni di tale teoria si hanno pertanto in due ambiti: da una parte si
ha l’adattamento e la pianificazione delle diverse leve del marketing mix rispetto alla
fase del ciclo in cui si trova il prodotto, dall’altra è possibile la previsione delle vendite
attraverso una specifica classe di modelli, detti modelli per ciclo di vita del prodotto,
che saranno trattati nei paragrafi che seguono.
-
13
2.2 Modello di Bass Standard o BM (1969)
L’idea sottostante a tale modello consiste nella suddivisione della popolazione dei
consumatori in due sottogruppi: gli innovatori, che adottano istantaneamente il
nuovo prodotto e comprano per primi sulla base di un convincimento personale, e
gli imitatori, che utilizzano il prodotto soltanto in tempi successivi, a seguito
dell’effetto del passaparola.
Si ipotizza che i due gruppi di potenziali adottanti siano raggiunti da canali di
comunicazione diversi tra di loro. Da un lato, si assume che gli innovatori siano
sottoposti unicamente all’influenza di fattori esogeni alla popolazione di
appartenenza, come la pubblicità e i mass media. Dall’altro lato, il comportamento
degli imitatori è influenzato dai flussi di comunicazione interpersonale.
Il modello di Bass è espresso da un’equazione differenziale del primo ordine
𝑧 ‘(𝑡) = (𝑝 + 𝑞 𝑧(𝑡)
𝑚) (𝑚 − 𝑧(𝑡)) (1)
Le vendite istantanee 𝑧’(𝑡) sono proporzionali al mercato residuo (𝑚 − 𝑧(𝑡)),
moltiplicato per due fattori, 𝑝 e (𝑞𝑧(𝑡)
𝑚), che descrivono il comportamento dei due
gruppi di consumatori, gli innovatori (𝑝) e gli imitatori (𝑞). Il mercato potenziale 𝑚
agisce come parametro di scala del processo di diffusione ed è assunto sempre
costante.
La soluzione in forma chiusa del modello di Bass è definita come
𝑧(𝑡) = 𝑚𝐹(𝑡; 𝑝, 𝑞) = 𝑚(1 – 𝑒−(𝑝+𝑞)𝑡)
1+𝑞
𝑝𝑒−(𝑝+𝑞)𝑡
(2)
A partire dall’equazione (2), si può notare come le vendite cumulate 𝑧(𝑡) siano
espresse come funzione dei parametri 𝑝 e 𝑞. Il controllo dell’asintoto superiore è
dovuto a 𝑚.
-
14
Il modello di Bass presenta i seguenti limiti:
non tiene conto dell’effetto sul ciclo di vita del prodotto di variabili esogene
che possono modificare la velocità della diffusione;
è un modello pensato per prodotti che presentano un ciclo di vita finito e
dunque la sua applicazione comporta quindi un’ipotesi di fondo circa
l’evoluzione delle vendite del prodotto;
il processo di diffusione non presenta sempre una forma a campana liscia,
ma ha un comportamento perturbato.
Per ovviare a tali problemi, viene introdotto nel 1994 il modello di Bass
Generalizzato, descritto nel paragrafo seguente.
-
15
2.3 Modello di Bass Generalizzato o GBM (1994)
In un articolo pubblicato nel 1994 gli autori Bass, Krishnan e Jain propongono
un’estensione del modello di Bass che introduce una funzione di intervento 𝑥(𝑡)
integrabile e non negativa.
𝑧’(𝑡) = (𝑝 + 𝑞𝑧(𝑡)
𝑚)(𝑚 − 𝑧(𝑡))𝒙(𝒕) (3)
La soluzione in forma chiusa del modello di Bass Generalizzato è definita, per t > 0,
come
𝑧(𝑡) = 𝑚 1– 𝑒−(𝑝+𝑞) ∫ 𝑥(𝜏)𝑑𝜏
𝑡0
1 + 𝑝𝑞
𝑒−(𝑝+𝑞) ∫ 𝑥(𝜏)𝑑𝜏𝑡0
(4)
La funzione 𝑥(𝑡) agisce sulla forma naturale della diffusione, modificandone la sua
struttura temporale ma non i valori dei suoi parametri interni. L’effetto rilevante di
𝑥(𝑡) è di anticipare o ritardare le adozioni, ma non di aumentarle o diminuirle.
In particolare, se 0 < 𝑥(𝑡) < 1 si assiste a un rallentamento del processo di
diffusione, mentre un valore 𝑥(𝑡) > 1 indica una sua velocizzazione. Se 𝑥(𝑡) = 1 il
modello si riduce a un modello di Bass Standard.
La funzione 𝑥(𝑡) può essere descritta in vari modi a seconda delle necessità di
modellazione (si veda a tal proposito Guseo 2004):
IMPULSO ESPONENZIALE
Una perturbazione drastica, il cui effetto è forte e veloce, può essere modellata
attraverso una funzione a componente esponenziale come
𝑥(𝑡) = 1 + 𝑐1𝑒𝑏1(𝑡−𝑎1)𝐼𝑡≥𝑎1 (5)
dove il parametro 𝑐1 rappresenta il segno e l’intensità dello shock, 𝑏1 descrive la durata
degli effetti provocati, è negativo se la memoria delle perturbazioni decade alla
-
16
posizione stazionaria (lo shock si riassorbe), e 𝑎1 denota il tempo di inizio della
perturbazione, quindi deve essere positivo. La funzione indicatrice assume il valore 1
se l’evento indicato a deponente è verificato e 0 altrimenti.
L’uso dell’impulso esponenziale risulta particolarmente utile quando si vuole
identificare l’effetto positivo di strategie di marketing o meccanismi di incentivo tesi a
velocizzare le adozioni. Allo stesso modo, un impulso esponenziale di segno negativo
può descrivere efficacemente la drastica diminuzione nelle vendite dovuta, ad
esempio, all’entrata nel mercato di un prodotto concorrente.
IMPULSO RETTANGOLARE
Un intervento stabile che influisce sul processo di diffusione per un periodo
relativamente lungo, può essere descritto da una funzione a componente rettangolare
come
𝑥(𝑡) = 1 + 𝑐1𝐼𝑡≥𝑎1𝐼𝑡≤𝑏1 (6)
In questo caso il parametro 𝑐1 descrive l’intensità della perturbazione e può essere sia
positivo che negativo, mentre i parametri 𝑎1 e 𝑏1 definiscono l’intervallo temporale
nel quale avviene lo shock. Una tale formalizzazione traduce un comportamento
transitorio stazionario. Come in precedenza, la funzione indicatrice assume valore 1 se
l’evento indicato a deponente è verificato e 0 altrimenti.
L’uso dell’impulso rettangolare risulta utile quando si vuole identificare l’effetto di
politiche regolatorie caratterizzate da una finestra temporale definita. Inoltre, un
impulso rettangolare di segno negativo può essere utilizzato per descrivere la fase di
depressione iniziale della serie.
-
17
IMPULSO MISTO
In determinati casi la funzione può contenere al suo interno interventi di natura
differente che descrivono localmente perturbazioni dovute a cause molto diverse.
È quindi possibile combinare insieme gli shock descritti in precedenza al fine di
modellare il processo di diffusione nel modo più adeguato possibile. Un caso semplice
è costituito da una coppia di impulsi, uno rettangolare e l’altro esponenziale,
𝑥(𝑡) = 1 + 𝑐1𝐼𝑡≥𝑎1𝐼𝑡≤𝑏1 + 𝑐2𝑒𝑏2(𝑡−𝑎2)𝐼𝑡≥𝑎2 (7)
dove i parametri coinvolti hanno lo stesso significato descritto in precedenza.
-
18
2.4 Identificazione Statistica dei Modelli non Lineari: Minimi Quadrati
Non Lineari
I modelli descritti nei paragrafi 2.2 e 2.3 sono di tipo non lineare.
Si sintetizzano di seguito alcuni concetti relativi al criterio dei minimi quadrati non
lineari tratti da Guseo (2004).
Il modello concettuale di riferimento è basato sulla nozione di funzione: un
carattere in uscita è ritenuto funzione esplicita o, più raramente, implicita di altri
caratteri in ingresso in parte noti e quindi controllabili, in parte stocastici, in parte
non rilevabili. Il tipico modello di regressione non lineare nei parametri è detto
modello a regressori fissi ed è rappresentabile come somma di due componenti,
Z(t) = f(β, t) + ε(t) (8)
dove Z(t) è la risposta del sistema dipendente dal tempo t, f(β, t) è la componente
deterministica, funzione reale nota dell’incognito parametro multiplo β ∈ Rk e del
tempo t. La seconda componente, ε(t), è definita come un processo stocastico che
rappresenta il disturbo residuale e che non può quindi essere rilevato
direttamente. Si richiede che gli errori ε(t) siano di media nulla, M(ε(t)) = 0. Se a
questa assunzione si aggiunge il vincolo della varianza omoschedastica (Var(ε(t)) =
δ2) e di incorrelazione dei residui (δε(t),ε(t′) = 0, t ≠ t′) si ha il processo cosiddetto
white noise.
Ad ogni modo, già la prima caratteristica degli errori ε(t) è sufficiente per
l’introduzione del criterio di stima dei minimi quadrati, che ha un ruolo centrale tra
i metodi di stima in quanto si pone alla base degli stessi.
Si consideri il modello
y(t) = f(t; ϑ) + ε(t) (9)
-
19
dove ε(t) ∼ WN(0, σε2) e f(t; ϑ) è una funzione di t non lineare nel vettore
ϑ=(ϑ1, ϑ2, … , ϑk)’. Adottando il criterio dei minimi quadrati, la quantità da
minimizzare rispetto a ϑ è
S(υ) = ∑ [y(t) − f(t; ϑ)]2n
t=1 (10)
Le equazioni normali risultano
∂S(ϑ)
∂ϑi= −2 ∑ [y(t) − f(t; ϑ)]
∂f(t;ϑ)
∂ϑi
nt=1 = 0 , i = 1, … , k (11)
Risolvendo il sistema (11) rispetto a ϑ si ottiene la stima ϑ̂ dei minimi quadrati del
vettore dei parametri ϑ.
Sotto l’ipotesi di normalità degli errori, il vettore ϑ̂ che minimizza la (11) è anche
stima di massima verosimiglianza di ϑ.
La soluzione di un sistema di equazioni non lineari (come la (11)) è difficile da
ricavare per via analitica: nella maggior parte dei casi s i ricorre a procedure
iterative, cioè la sequenza viene troncata dopo un numero finito di iterazioni, N, e
si accetta ϑN come approssimazione di ϑ.
Sulla base di tale metodo di stima nascono poi il metodo di Gauss-Newton, che
consiste nel linearizzare f(t; ϑ) e il metodo di Levenberg-Marquardt, che introduce
una sostanziale modifica all’algoritmo di Gauss-Newton.
Il metodo utilizzato per stimare i modelli per ciclo di vita del prodotto presentati in
questo elaborato è il metodo di Levenberg-Marquardt.
-
20
2.5 Adattamento del Modello ai Dati e Confronto fra Modelli Annidati
Una misura della bontà di adattamento del modello ai dati è rappresentata
dall’indice di determinazione, così costruito:
R2 = SSR
SST= 1 −
SSE
SST (12)
dove SSR rappresenta la devianza spiegata dal modello, SSE la devianza residua e
SST la devianza totale.
All’interno dell’analisi presentata, si troverà sempre l’indice in termini percentuali
(ad esempio R2 = 99,898% corrisponde a R2=0,99898) e di entità molto elevata, ossia
con valori superiori a 0,95. Questo fenomeno è da ricondurre al fatto che sono stati
utilizzati dati cumulati, il cui grafico è tipicamente rappresentato da una curva a
forma di S. Esso coglie naturalmente molto bene l’andamento dei dati, lasciando di
conseguenza una devianza residua quasi irrilevante.
Sulla base dell’indice di determinazione si costruiscono il rapporto di correlazione
multipla parziale al quadrato, R̃2, e il suo diretto corrispettivo rapporto F. Entrambi
vengono utilizzati al fine di confrontare modelli annidati, ossia allo scopo di
valutare la performance di un modello esteso, m2, rispetto a uno più semplice, m1.
Nella fattispecie, risultano interessanti per questo elaborato confronti come quello
fra il modello di Bass Standard (caratterizzato da 3 parametri) e il modello di Bass
Generalizzato (caratterizzato da un numero di parametri maggiore di 3 e variabile)
oppure quello fra gli stessi modelli di Bass Generalizzato, uno con un numer o
inferiore di parametri rispetto all’altro .
R̃2 = SSEm1−SSEm2
SSEm1=
Rm22 −Rm1
2
1−Rm12 (13)
-
21
F =R̃
2(n−v)
(1−R̃2
)u (14)
dove n è il numero di osservazioni, v è il numero di parametri del modello esteso
m2 e u è l’incremento dei parametri che si ha passando dal modello ridotto al
modello esteso. Sotto opportune condizioni sulla distribuzione di ε(t), la statistica
F è una F si Snedecor’s con u gradi di libertà al numeratore e (n-v) al denominatore.
-
22
2.6 Analisi dei Residui e Statistica di Durbin-Watson
L’analisi dei residui permette di verificare l’adeguatezza del modello scelto per stimare
le componenti deterministiche e, quindi, di giustificarne l’uso ai fini previsivi. La verifica
fornisce esito positivo se è lecito pensare che la serie dei residui sia stata generata da
un processo white noise. I grafici più comunemente usati per osservare la struttura dei
residui consistono in diagrammi di dispersione, che riportano i residui 𝑒𝑡 in ordinata
mentre in ascissa i valori stimati della variabile dipendente (in alternativa si possono
usare i valori osservati di una delle variabili indipendenti). Se valgono le assunzioni di
normalità, indipendenza e omoschedasticità dei residui, tali diagrammi danno luogo
ad una nuvola di punti che non presenta particolari strutture. In particolare i punti
tendono a disporsi tra i valori -2 e 2 e risultano distribuiti casualmente intorno allo
zero, come mostrato nella figura 4.
Si concentra lo studio sulla violazione dell’ipotesi di indipendenza dei residui, che
introduce il problema dell’autocorrelazione positiva degli stessi, data la tipicità di
questo fenomeno nei modelli utilizzati dal presente elaborato. Tale problema può
venire diagnosticato attraverso il grafico sopra descritto, il quale riporterà un
andamento sistematico dei residui intorno alla media nulla, come si può notare dalla
figura 5.
Figura 4: Residui indipendenti
-
23
Figura 5: Residui Autocorrelati
Anche osservando la funzione di autocorrelazione dei residui (ACF) e il corrispondente
grafico, chiamato correlogramma, è possibile verificare la violazione dell’ipotesi in
questione. Si costruiscono le bande di confidenza riportate nel correlogramma (in blu
nella figura 6) attraverso l’intervallo
[−z
√n,
z
√n]
dove 𝑧 è funzione del livello di significatività scelto. In genere si pone 𝑧 = 2 che
corrisponde all’incirca a un livello di significatività pari a 0,05. I coefficienti di
autocorrelazione stimati (in rosso nella figura 6) che si posizionano all’esterno di tale
intervallo respingono l’ipotesi di successione generata da un processo white noise,
confermando quindi la presenza di autocorrelazione positiva dei residui.
-
24
Figura 6: Esempio di correlogramma con residui autocorrelati
Un tipico esempio di autocorrelazione è l’autocorrelazione di primo ordine, così
definita:
εt = ρϵt−1 + υt (15)
dove ρ è la correlazione tra errori consecutivi e υt è una componente erratica di
media nulla e varianza costante. Se ρ = 0 allora εt = υt.
Il test di Durbin-Watson viene utilizzato per diagnosticare la presenza di questo
tipo di autocorrelazione. Il sistema di ipotesi è il seguente:
H0: ρ = 0, H1: ρ > 0
H0 verifica incorrelazione dei residui, al contrario H1 presenta autocorrelazione
positiva degli stessi. Il test è definito come:
DW =∑ (et−et−1)
2nt=2
∑ et2n
t=1 (16)
I valori di DW variano tra 0 e 4 con un valore centrale 2. Come descritto nella figura
7, se DW > du allora è verificata l’ipotesi H0 mentre se DW < dL si respinge H0 a
favore di H1. Per determinare du e dL è necessario disporre delle apposite tavole e
conoscere la dimensione del campione, il livello di significatività e il numero di
variabili indipendenti.
-
25
Figura 7: Statistica di Durbin-Watson
In generale, si dimostra che valori di DW prossimi al valore 2 indicano
incorrelazione dei residui mentre valori vicini allo zero stanno a significare
autocorrelazione positiva degli stessi.
-
26
2.7 Affinamento ARMAx
Una volta che l’autocorrelazione dei residui viene diagnosticata, è necessario
rimuoverla o modellarla. Si tratta quindi di articolare meglio la rappresentazione
formale di εt. Una possibilità viene offerta da Guseo (2004) e fa riferimento all’uso
di modelli ARMAx (o SARMAx nel caso sia presente una componente stagionale).
Si definisce un processo ARMA(p,q) (Box e Jenkins, 1970), come segue:
ϕp(B)Yt = θq(B)at (17)
dove at è un processo white noise e
ϕp(B) = 1 − ϕB−. . . −ϕpBp
θq(B) = 1 − θ1B−. . . −θqBq
Per completezza, si definisce un processo SARMA(p,q)x(P,Q) s in questo modo:
ΦP(BS)ϕp(B)Yt = ΘQ(B
S)θq(B)at (18)
dove at , ϕp(B) e θq(B) assumono il precedente significato e
ΦP(BS) = 1 − Φ1B
S−. . . −ΦPBPS
ΘQ(BS) = 1 − Θ1B
S−. . . −ΘQBQS
I modelli ARMA (o SARMA) posso essere utilizzati solo su serie stazionarie o
stazionarizzabili mediante differenziazioni. Le serie nell’ambito del ciclo di vita del
prodotto non sono di questo tipo. Questo è il motivo per cui il trend non lineare
viene modellato da specifiche funzione matematiche, i modelli di diffusione, e non
con procedure Box-Jenkins come quelle appena descritte.
L’affinamento ARMAx viene così definito:
ϕ(B)[wt − cη(β̂, t)] = θ(B)at (19)
-
27
dove wt è la serie osservata, η(β̂, t) è la serie prevista secondo il modello scelto,
at è un processo white noise, ϕ(B) e θ(B) hanno il significato prima esposto. Il
parametro c è detto di calibrazione e consente di verificare l’appropriatezza del
modello globale η(β̂, t) basata su una soluzione dei minimi quadrati β̂. Nello
specifico, se c = 1 allora il modello risulta
ϕ(B)ε(t) = θ(B)at (20)
e dimostra che la serie su cui sto operando è proprio quella dei residui.
Tale approccio può essere esteso introducendo una componente stagionale. In
questo caso l’affinamento SARMAx si definisce come:
Φ(BS)ϕ(B)[wt − cη(β̂, t)] = Θ(BS)θ(B)at (21)
Si sottolinea anche che la tecnica dell’affinamento ARMAx (o SARMAx), oltre a rendere
la serie dei residui white noise, fa sì che le oscillazioni della serie intorno al modello
stimato vengano adeguatamente descritte, al fine di ottenere un’analisi ancora più
precisa ed accurata.
-
28
Capitolo 3
Analisi delle Variazioni del Ciclo di Vita attraverso l’Applicazione dei
Modelli ai Dati
In questo capitolo vengono studiate in modo distinto le serie storiche mensili dei dati
di vendita della vasca Vieques (paragrafo 3.1) e della vasca Normal (paragrafo 3.2).
Il programma statistico utilizzato ai fini analitici è Statgraphics e i modelli di diffusione
applicati sono quelli illustrati nel capitolo precedente (in particolare: paragrafi 2.2 e
2.3).
3.1 Shock Intervenuti a Causa di Decisioni Interne all’Azienda
Grafico 1: Serie storica delle vendite mensili di Vieques
-
29
Come si evince dal grafico 1, la serie è caratterizzata complessivamente da un trend
crescente. Da notare il significativo rallentamento che subisce la stessa nella sua ultima
parte. Inoltre, visti i numerosi picchi verso l’alto e verso il basso, è evidente una forte
componente di tipo stagionale.
Giustificati dall’andamento della serie, si procede con la stima di un modello di Bass
Standard, partendo dai seguenti valori iniziali:
Tabella 1: Stime iniziali
Stime iniziali
m 160000
p 0,01
q 0,1
Si sono ottenute le stime dei parametri (m, p e q) e la tabella dell’analisi della varianza
e dei residui:
Tabella 2: Risultati delle stime
Parametro Stima Errore standard I.C. inferiore 95% I.C.superiore 95%
m 3,2225E6 161645, 2,901E6 3,54401E6
p 0,00189846 0,0000668238 0,00176555 0,00203137
q 0,030148 0,000884598 0,0283886 0,0319074
Tabella 3: Tabella della varianza e dei residui
Sorgente Somma dei quadrati
G.l. Media dei quadrati
Modello 4,66756E13 3 1,55585E13
Residuo 1,09575E10 83 1,32018E8
Totale 4,66865E13 86
Totale (Corr.) 1,72037E13 85
R-quadrato = 99,9363% Statistica di Durbin-Watson = 0,54199
-
30
Grafico 2: Grafico dei residui – Residui autocorrelati
Grafico 3: Modello di Bass adattato alla serie di Vieques
-
31
Si considerano, in prima analisi, le stime dei parametri di diffusione: 𝑚, 𝑝 e 𝑞 risultano
essere tutti significativi, in quanto gli intervalli di confidenza al 95% non contengono lo
zero. Il parametro 𝑞 è superiore al parametro 𝑝, risultato che dimostra la prevalenza
della componente di passaparola su quella innovativa. Il rapporto q
p è pari a 15,88. Tale
dato rafforza quanto appena affermato, riconoscendo una parte di imitatori quasi 16
volte superiore a quella degli innovatori. Molto interessante da considerare è l’entità
del parametro q, che nonostante la sua prevalenza, si dimostra comunque piuttosto
basso. La giustificazione di tale risultato risiede nelle caratteristiche dell’azienda, o
meglio, nella posizione di mercato della stessa: i prodotti offerti non sono infatti
accessibili a tutta la popolazione, bensì rappresentano una nicchia, e per questo il
passaparola non è il meccanismo privilegiato come mezzo di comunicazione. Tale
conclusione accompagnerà tutte le analisi presentate in seguito.
Passando ora alla valutazione del coefficiente di determinazione R2, vediamo che
questo è pari a 99,9363%. Rappresentando la bontà di adattamento ai dati del
modello, possiamo considerarlo un risultato soddisfacente. Anche graficamente è
possibile confermare quando appena detto: il modello (in rosso) nel grafico 3 coglie
bene l’andamento medio della serie ma presenta anche alcuni problemi.
In primo luogo si può notare che il grafico non descrive adeguatamente la prima parte
delle vendite, sovrastimandone l’andamento. Inoltre, si evincono delle perturbazioni
intervenute lungo il ciclo di vita di Vieques che non vengono colte da BM.
Alla luce di quanto affermato e delle informazioni in possesso, si procede alla stima di
un modello di Bass Generalizzato.
Dalla statistica di Durbin-Watson e dal grafico dei residui (grafico 2), si osserva
un’autocorrelazione positiva degli stessi: la prima è pari a 0,54 e quindi prossima allo
zero, mentre nel grafico dei residui è possibile notare un andamento sistematico
-
32
intorno alla media nulla. Si precisa che questo fenomeno, tipico dei modelli per ciclo
di vita del prodotto, verrà affrontato in seguito attraverso un affinamento ARMAx.
Come precedentemente accennato, il ciclo di vita della vasca Vieques è stato
influenzato da più eventi: nel luglio del 2011, l’azienda decide di introdurre nel mercato
il lavabo Vieques che amplia la linea della vasca ed offre ai clienti la possibilità di creare
combinazioni di arredamento interessanti. Due anni dopo, precisamente nell’agosto
del 2013, viene presentata al pubblico la vasca Vieques XS: esteticamente identica
all’originale, solo di dimensioni ridotte.
Si propone quindi la stima di un modello di Bass Generalizzato con uno shock
esponenziale positivo in corrispondenza del lancio del lavabo e uno shock rettangolare
negativo coincidente al periodo di introduzione nel mercato di Vieques XS, partendo
dai seguenti valori iniziali:
Tabella 4: Stime iniziali
Stime Iniziali
m 3222000
P 0,00189
q 0,03
c1 0,5
b1 -0,1
a1 33
c2 -0,1
a2 56
b2 74
-
33
I risultati ottenuti sono i seguenti:
Tabella 5: Risultati delle stime
Parametro Stima Errore standard I.C. inferiore 95% I.C.superiore 95%
m 3,27012E6 2,34017E6 -1,38977E6 7,93E6
p 0,0020209 0,0014119 -0,000790568 0,00483236
q 0,0252421 0,00402213 0,017233 0,0332512
c1 0,249554 0,0726935 0,104802 0,394305
b1 -0,00775165 0,0673633 -0,141889 0,126386
a1 41,3317 2,05902 37,2316 45,4317
c2 -0,160625 0,1007 -0,361146 0,0398948
a2 54,4719 2,38141 49,7299 59,2139
b2 70,8583 2,60167 65,6777 76,0389
Tabella 6: Tabella della varianza e dei residui
Sorgente Somma dei quadrati
G.l. Media dei quadrati
Modello 4,66795E13 9 5,18661E12
Residuo 7,05606E9 77 9,16372E7
Totale 4,66865E13 86
Totale (Corr.) 1,72037E13 85
R-quadrato = 99,959% Statistica di Durbin-Watson = 0,802839
-
34
Grafico 5: Modello di Bass Generalizzato con 2 shock adattato alla serie di Vieques
Grafico 4: Grafico dei residui – Residui autocorrelati
-
35
I parametri 𝑎1, 𝑏1 e 𝑐1 sono esplicativi dello shock esponenziale mentre i parametri 𝑎2,
𝑏2 e 𝑐2 descrivono lo shock rettangolare.
Il parametro 𝑎1 identifica come momento iniziale della perturbazione il mese di marzo
2012, con un parametro 𝑐1 pari a 0,24 che quindi conferma effettivamente l’esistenza
dello shock, anche se non di grande intensità.
I parametri 𝑎2 e 𝑏2 indicano come finestra temporale della perturbazione di tipo
rettangolare quella che va da aprile 2013 a settembre 2014 con un parametro 𝑐2 pari
a -0,16 che quindi sembrerebbe confermare l’esistenza di uno shock, ma la cui stima
risulta essere instabile. Altre stime instabili sono quelle di 𝑚, 𝑝 e 𝑏1.
Visti il periodo in cui il modello colloca lo shock rettangolare, che non coincide con
l’evento considerato (il lancio avviene nell’agosto 2013, quindi più tardi rispetto a
quanto stimato) e i risultati delle stime non soddisfacenti (particolarmente rilevante
quella di 𝑐2), si mette in discussione l’effettiva esistenza della perturbazione negativa.
Per valutare tale tesi e in generale l’effettivo miglioramento riscontrato passando dal
modello di Bass Standard al modello di Bass Generalizzato, si conduce il confronto fra
modelli nidificati (BM e GBM sono tali) attraverso l’indice R̃2 e il rapporto F.
R̃2 = 0,356
Rapporto F = 7,09
Entrambi i risultati sono a favore dell’estensione dal BM al GBM, anche se non in modo
decisivo.
Nonostante quest’ultimo risultato, si procede con l’eliminazione dal modello dello
shock rettangolare negativo, tenendo solo l’esponenziale positivo, giustificati dal fatto
che la stima del parametro 𝑐2 è di entità molto bassa ed instabile. Così facendo si
facilita inoltre l’interpretazione del modello, resa prima molto difficile dalla
-
36
collocazione temporale dello shock rettangolare. Si propone quindi il modello più
semplice, partendo dai seguenti valori:
Tabella 7: Stime iniziali
Stime Iniziali
m 3222000
P 0,00189
q 0,03
c1 0,5
b1 -0,1
a1 33
I risultati ottenuti sono i seguenti:
Tabella 8: Risultati delle stime
Parametro Stima Errore standard I.C. inferiore 95% I.C.superiore 95%
m 5,32649E6 1,16741E6 3,00326E6 7,64972E6
p 0,00125901 0,000242315 0,000776782 0,00174123
q 0,0229241 0,00200645 0,0189311 0,026917
c1 0,498651 0,16641 0,167483 0,829818
b1 -0,170971 0,0839303 -0,337998 -0,00394436
a1 41,9961 1,47133 39,0681 44,9242
Tabella 9: Tabella della varianza e dei residui
Sorgente Somma dei quadrati
G.l. Media dei quadrati
Modello 4,66787E13 6 7,77979E12
Residuo 7,77748E9 80 9,72185E7
Totale 4,66865E13 86
Totale (Corr.) 1,72037E13 85
R-quadrato = 99,9548% Statistica di Durbin-Watson = 0,733047
-
37
Grafico 6: Grafico dei residui – Residui Autocorrelati
Grafico 7: Modello di Bass Generalizzato con uno shock esponenziale adattato alla serie di Vieques
-
38
Come si nota dalla tabella 8, tutte le stime dei parametri di diffusione sono ora
significative, gli intervalli di confidenza al 95% non contengono cioè lo zero e nella
fattispecie si osserva che lo shock è ben identificato dal parametro 𝑐1 (pari a 0,49) e
che il parametro 𝑎1 fissa come tempo di inizio della perturbazione 𝑡 = 42, che
corrisponde a marzo 2012. Particolarmente interessante è la stima del mercato
potenziale 𝑚, ora pari a 5.326.490 con una differenza di poco più di due milioni rispetto
al modello Bass Standard: questo fenomeno è tipico nel momento in cui si passa dal
modello più semplice a quello più complesso ed è estremamente positivo, in quanto
corregge la tendenza di BM a sottostimare il mercato potenziale, chiudendo
anticipatamente il ciclo di vita del prodotto.
Dal grafico 7, si può immediatamente riscontrare un significativo miglioramento nel
passaggio da BM a GBM con uno shock esponenziale, ma per verificare ciò
empiricamente si procede al calcolo dell’indice R̃2e del rapporto F.
R̃2= 0,29
Rapporto F = 10,892
Si presenta una situazione analoga alla precedente, dove sia il primo indice (anche se
borderline) che il secondo (più alto rispetto all’analisi prima descritta) sono a favore
dell’estensione da BM a GBM.
Alla luce dei risultati delle stime e dell’andamento del grafico 7, si considera questo
come miglior modello. Risultato che trova conferma anche nel grafico 8, dove si
confronta il GBM con due shock (uno esponenziale e l’altro rettangolare) e il GBM con
il solo shock esponenziale: fra i due non si evince una netta differenza nella capacità di
descrivere la serie. In questo modo, si giustifica ulteriormente la scelta di togliere la
perturbazione negativa.
-
39
Grafico 8: Confronto dei modelli stimati
È riconosciuta quindi un’effettiva variazione del ciclo di vita della vasca in seguito al
lancio nel mercato del lavabo complementare, partita però solo otto mesi dopo. Non
si tratta di un risultato anomalo: persiste sempre un arco temporale da quando si
verifica un evento a quando esso si riscontra effettivamente nei dati. I motivi sono
svariati: in questo caso si ipotizza che i clienti abbiano impiegato del tempo ad
apprezzare la possibilità di combinare insieme i due prodotti, concentrandosi
inizialmente sul nuovo bene in commercio, e solo in seguito concependo gli stessi come
complementari.
La variazione del ciclo di vita causata dall’introduzione della vasca di dimensione
ridotte non è invece dimostrata attraverso le analisi svolte, rimane dunque solo
un’ipotesi.
-
40
Tuttavia, sussiste ancora il problema dell’autocorrelazione positiva dei residui: la
statistica di Durbin-Watson è pari a 0,733047 e il grafico 6 mostra un andamento
oscillatorio intorno alla media nulla. Si procede pertanto a un affinamento ARMAx.
Il modello migliore è un SARIMA(0,0,2)x(2,0,2)12 con le previsioni ottenute applicando
il GBM con uno shock esponenziale come regressore esterno. Sono presenti due
componenti stagionali autoregressive e due a media mobile, entrambe di tipo mensile.
I risultati ottenuti sono i seguenti:
Tabella 10: Risultati delle stime
Parametro Stima Errore standard t P value
MA(1) -0,567884 0,11019 -5,15367 0,000002
MA(2) -0,349095 0,109729 -3,18144 0,002104
SAR(1) 0,467295 0,095679 4,88399 0,000005
SAR(2) 1,19852 0,144947 8,26868 0,000000
SMA(1) 0,306641 0,0530064 5,78498 0,000000
SMA(2) 1,39224 0,0705881 19,7235 0,000000
GBM 1,00313 0,00373161 268,82 0,000000
La stima del parametro 𝑐, associata al regressore “GBM” assume un valore
approssimativamente unitario (𝑐=1,00313), indicando un’ottima centratura del
modello non lineare prescelto.
-
41
Grafico 9: Affinamento SARMAx (0,0,2)x(2,0,2)12 e serie Vieques
L’affinamento SARMAx oltre a comportare un ulteriore miglioramento dell’analisi,
come appare evidente nel grafico 9, rende la serie dei residui casuale. Il correlogramma
che segue (grafico 10) dimostra quanto appena detto: tutte le autocorrelazioni stanno
all’interno delle bande di confidenza (calcolate al 95%), risultando quindi non
significative e verificando l’effettiva assenza di autocorrelazione positiva dei residui.
Grafico 10: Correlogramma dei residui
-
42
3.2 Shock Intervenuti a Causa di Fattori Esogeni: la Concorrenza
Grafico 11: Serie storica delle vendite mensili di Normal
La serie è caratterizzata da un trend crescente iniziale, interrotto circa a metà (come
evidente dal grafico 11) da un repentino cambio di regime, il quale provoca un notevole
rallentamento nell’andamento delle vendite. Analogamente alla serie analizzata nel
precedente paragrafo, anche qui si riscontra una forte stagionalità.
Si stima quindi inizialmente un modello di Bass Standard, partendo dai seguenti valori
di partenza:
Tabella 11: Stime iniziali
Stime iniziali
m 3000000
p 0,01
q 0,1
-
43
Si sono ottenute le stime dei parametri (𝑚, 𝑝 e 𝑞) e la tabella dell’analisi della varianza
e dei residui:
Tabella 12: Risultati delle stime
Parametro Stima Errore standard I.C. inferiore 95% I.C.superiore 95%
m 3,12124E6 74661,3 2,97268E6 3,26979E6
p 0,00383819 0,00015244 0,00353488 0,0041415
q 0,0489307 0,00239312 0,0441691 0,0536922
Tabella 13: Tabella della varianza e dei residui
Sorgente Somma dei quadrati
G.l. Media dei quadrati
Modello 1,96072E14 3 6,53573E13
Residuo 3,05039E11 81 3,76592E9
Totale 1,96377E14 84
Totale (Corr.) 6,68753E13 83
R-quadrato = 99,5439% Statistica di Durbin-Watson = 0,113718
Grafico 12: Grafico dei residui – Residui Autocorrelati
-
44
Grafico 13: Modello di Bass adattato alla serie di Normal
Le stime dei parametri di diffusione risultano essere tutte significative. Nella
fattispecie, per quanto riguarda le componenti imitativa e innovativa si rimanda alle
considerazioni fatte nel paragrafo 3.1, con un rapporto q
p in questo caso pari a 12,75.
Emerge piuttosto interessante soffermarsi invece sul parametro 𝑚: la stima del
mercato potenziale è di poco superiore alla stima iniziale, stabilita facendo riferimento
al cumulo di vendite raggiunto fino a dicembre 2015. Ciò è dovuto al fatto che il ciclo
di vita della vasca Normal si trova nella sua fase conclusiva, come si evince anche dal
grafico 13, e quindi il mercato per questo prodotto si dimostra essere quasi
completamente saturo.
Il coefficiente di determinazione R2 è pari a 99,5439%, evidenziando un buon
adattamento del modello ai dati. Dal grafico 13 si vede come il modello di Bass
Standard (in rosso) colga bene l’andamento medio della serie, mantenendo tuttavia
alcuni problemi: la prima parte della serie non viene descritta in modo opportuno
-
45
come spesso accade in analisi di questo tipo ma ciò che maggiormente colpisce è il
fatto che il picco, quindi il punto massimo, viene collocato dal modello in
corrispondenza di un periodo depressivo della serie. Altre imprecisioni di BM trovano
manifestazione nell’incapacità dello stesso di cogliere il cambiamento di regime prima
citato e nella conservazione di residui autocorrelati, come dimostrato dalla statistica
di Durbin-Watson e dal grafico 12.
Sulla base di quanto affermato finora, si procede alla stima di un modello di Bass
Generalizzato.
Come accennato in precedenza, la linea della vasca presa in analisi è classica e
sottoposta a numerosi tentativi di imitazione, come accaduto nel 2013 quando fu
introdotta nel mercato una vasca estremamente simile nella forma a quella di Normal
da parte di un concorrente di fascia più bassa, operante quindi in un contesto di prezzi
inferiore.
Tale fenomeno ha influenzato drammaticamente il ciclo di vita di Normal e il repentino
crollo delle vendite si ipotizza sia proprio dovuto a questo.
Si propone quindi un modello di Bass generalizzato con uno shock esponenziale
negativo a partire da gennaio 2013, iniziando dai seguenti valori:
Tabella 14: Stime iniziali
Stime Iniziali
m 3121000
P 0,0038
q 0,0489
c1 -0,5
b1 0,1
a1 49
-
46
I risultati ottenuti sono i seguenti:
Tabella 15: Risultati delle stime
Parametro Stima Errore standard I.C. inferiore 95% I.C.superiore 95%
m 3,68139E6 371185, 2,94241E6 4,42036E6
p 0,00255872 0,000211456 0,00213774 0,0029797
q 0,058174 0,00312598 0,0519506 0,0643973
c1 -0,609075 0,0807848 -0,769905 -0,448244
b1 -0,0319832 0,0205799 -0,0729547 0,00898839
a1 47,2805 0,942462 45,4042 49,1568
Tabella 16: Tabella della varianza e dei residui
Sorgente Somma dei quadrati
G.l. Media dei quadrati
Modello 1,96273E14 6 3,27121E13
Residuo 1,04296E11 78 1,33712E9
Totale 1,96377E14 84
Totale (Corr.) 6,68753E13 83
R-quadrato = 99,844% Statistica di Durbin-Watson = 0,289487
Grafico 14: Grafico dei residui – Residui Autocorrelati
-
47
Grafico 15: Modello di Bass Generalizzato con uno shock esponenziale adattato alla serie di Normal
Come si evince dalla tabella 15, l’unico parametro la cui stima risulta essere instabile è
𝑏1. Il mercato potenziale 𝑚 è maggiore rispetto al valore ottenuto con il modello di
Bass Standard, il parametro 𝑐1 (pari a -0,609) conferma in modo deciso l’esistenza della
perturbazione, il coefficiente R2 è pari a 99,844% e il parametro 𝑎1 indica come
momento iniziale dello shock 𝑡 = 47 che corrisponde a dicembre 2012. Tale modello
può essere quindi ritenuto estremamente soddisfacente.
Dal grafico 15 si nota che il cambiamento di regime viene modellato ora in modo
adeguato e risulta evidente il miglioramento verificatosi passando da BM a GBM con
uno shock esponenziale negativo. Per avere una dimostrazione empirica si conduce il
confronto fra modelli annidati, come in precedenza:
R̃2= 0, 658
Rapporto F = 50,02
-
48
Entrambi i risultati sono fortemente a favore dell’estensione del modello da quello più
semplice (BM) a quello più complesso (GBM con uno shock esponenziale negativo).
Alla luce dei risultati ottenuti, si può affermare che la variazione nel ciclo di vita della
vasca Normal a partire dall’anno 2013 trovi effettiva conferma nei dati, verificando
l’ipotesi sopra esposta.
Al fine di avere ancora maggiore accuratezza e di rendere i residui casuali ed
indipendenti, si procede con un affinamento ARMAx.
Il miglior modello previsivo trovato è un SARIMA(1,0,0)x(1,0,1)12 con le previsioni
ottenute applicando il GBM con uno shock esponenziale come regressore esterno.
In questo caso sono presenti sia una componente stagionale autoregressiva che una a
media mobile, entrambe di tipo mensile.
I risultati ottenuti sono i seguenti:
Tabella 17: Risultati delle stime
Parametro Stima Errore standard t P value
AR(1) 0,883178 0,0535666 16,4875 0,000000
SAR(1) 1,22799 0,11772 10,4314 0,000000
SMA(1) 1,1656 0,175081 6,6575 0,000000
GBM 1,01012 0,0117101 86,2605 0,000000
La stima del parametro 𝑐, associata al regressore “GBM” assume un valore prossimo
all’unità (𝑐=1,01012), indicando un’ottima centratura del modello non lineare
prescelto.
-
49
Grafico 16: Affinamento SARMAx (1,0,0)x(1,0,1)12 e serie Normal
Si dimostra infine di aver risolto il problema dell’autocorrelazione dei residui con il
grafico 17, dove tutte le autocorrelazioni sono all’interno delle bande di confidenza
calcolate al 95%. La serie dei residui è ora di tipo casuale.
Grafico 17: Correlogramma dei residui
-
50
Capitolo 4
Conclusioni
L’obiettivo della relazione, attraverso l’applicazione dei modelli di diffusione come
illustrato nel capitolo 3, è stato quello di analizzare come una serie di eventi possano
influenzare il ciclo di vita di un prodotto, siano essi endogeni quindi interni all’azienda
e dipendenti dalle decisioni del management o esogeni e pertanto non direttamente
controllabili da parte dei soggetti interessati.
Per quanto riguarda il primo caso, all’interno dell’elaborato (paragrafo 3.1) vengono
proposte due tipi di scelte: il lancio sul mercato di un prodotto complementare al bene
preso in esame, corrispondente ad un ampliamento della linea e l’introduzione di
un’alternativa allo stesso. Si dimostra che la prima implica sicuramente
un’accelerazione per le vendite del prodotto, mentre per la seconda si ipotizza che
possa variare il processo di diffusione ma tale ipotesi viene lasciata senza una conferma
verificata dai dati.
Nel paragrafo 3.2 viene invece affrontato il secondo caso, prendendo come fattore
esterno in grado di influenzare il ciclo di vita la concorrenza quindi, in una visione più
ampia, la fascia qualità-prezzo rappresentata e la posizione nel mercato ricoperta. Si
dimostra che questa può giocare un ruolo fondamentale, decelerando in modo
significativo il processo di diffusione del prodotto.
Sono però importanti da sottolineare due aspetti riguardanti il secondo tipo di
condizionamenti. Innanzitutto, è vero che un fattore esterno come può essere la
concorrenza non trae origine dall’azienda in sé, ma è altrettanto vero che dipende dal
mercato in cui essa si colloca. Quest’ultimo non si può dire svincolato dalle decisioni
aziendali, anzi è il frutto di studi riguardanti il mercato e il target di consumatori
-
51
desiderato. In conclusione, si può quindi affermare che assumiamo i fattori esogeni
come non riconducibili al management, ma comunque in parte controllabili. Ed è
proprio da qui che nasce la seconda riflessione: i condizionamenti esterni all’azienda
attraverso accurate indagini di mercato ed analisi statistiche, come ad esempio l’analisi
della concorrenza, possono essere previsti al fine di limitare le variazioni oggetto di
studio in questa relazione. Queste azioni anticipate sono possibili proprio perché esiste
una componente arbitraria anche in quei fattori che reputiamo esogeni.
-
52
Bibliografia
1. Bass, F. M. (1969). A new product growth model for costumer durables. Marketing Science 15, 215-227
2. Bass, F. M., Krishnan, T. V., Jain D. C. (1994). Why the Bass Model Fits without Decision Variables. Marketing Science 13, 203-223
3. Box, G., Jenkins, G. (1970). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day
4. Bracalente B., Cossignani M., Mulas A. (2009). Statistica Aziendale. McGraw‐Hill, Milano
5. Cecchinato, M. (2014). Dinamiche di adozione e comunicazione nel ciclo di vita del prodotto: il caso di Apple iPod. Università degli Studi di Padova, Tesi di Laurea in Scienze Statistiche e Gestione delle Imprese
6. Cicchitelli G. (2012). Statistica: Principi e Metodi. Pearson Italia, Milano – Torino
7. Di Fonzo T., Lisi F. (2005). Serie storiche economiche. Carrocci Editore, Roma
8. Galloni L., Mangiarotti R. (2005). Disegnato in Italia - Il design come elemento competitivo nella piccola-media impresa. Hoepli, Milano
9. Grandinetti, R. (2008). Marketing. Mercati, prodotti e relazioni. Carrocci Editore, Roma
10. Guseo, R. (2002). Organizzazione statistica dell’informazione e scelte di gestione. CEDAM, Padova
11. Guseo, R. (2004). Interventi strategici e aspetti competitivi nel ciclo di vita di innovazioni. Working Paper Series n.11, Department of Statistical Sciences, University of Padua
12. Pammolli, F. (2000). Modelli e strategie di marketing. Franco Angeli, Milano
13. Vernon, R. (1966). International Investment and International Trade in the Product Cycle. The Quarterly Journal of Economics 80 (2), 190-207
-
Ringraziamenti
In primo luogo ringrazio i miei genitori per avermi dato la possibilità di compiere questo
percorso di studi e per aver sempre creduto in me.
Merita un ringraziamento speciale Dan per essermi stato vicino in ogni momento, con
la pazienza e la sensibilità che lo caratterizzano.
Desidero anche ringraziare la Dott.ssa Mariangela Guidolin per i preziosi e utili consigli
datomi nella stesura di questa tesi.
Aggiungo l’azienda che mi ha ospitato per lo stage, la quale fornendomi i dati di cui
necessitavo, ha permesso la realizzazione della relazione.
Infine ringrazio tutti i miei amici e compagni di corso che mi hanno accompagnato
durante questi anni.